Apresentação

O projeto final destina - se a realização da atividade de conclusão da disciplina Estatistica Descritiva e construção de dashboards e consiste na análise estatistica da base dos microdados do Exame Nacional de Desempenho dos Estudantes - ENADE 2017, especificamente, sobre o curso de Educação Física (Licenciatura).

O exame avalia o conhecimento dos concluintes dos cursos de graduação acerca dos conteúdos programáticos previstos na grade curricular dos cursos, além do desenvolvimento de competências e habilidades necessárias ao aprofundamento da formação geral e profissional, e o nível de atualização dos estudantes com relação à realidade brasileira e mundial.

Análise Descritiva

A base de dados do ENADE 2017 consiste em um arquivo .txt com 537.436 registros (observações) e 150 colunas (variáveis).

A proposta aqui será isolar as observações sobre o curso escolhido para a análise, em um dataset menor e realizar as análises estatísticas necessárias para uma melhor compreenção dos dados.

Para efeito das análises sobre as notas, foi utilizado a MEDIANA, com o intuíto de redurzir os efeitos de possiveis outliers presentes no dataset.

Carregando os Pacotes

Criando um vetor com o nome de todos os pacotes que utilizarei para a análise e instalando cada um deles:

vetor_pacotes=c("readr",
                "ggplot2",
                "plotly",
                "e1071",
                "dplyr",
                "Hmisc",
                "kableExtra",
                "DescTools",
                "esquisse",
                "gridExtra",
                "e1071",
                "devtools"
)

carregados = lapply(vetor_pacotes, 
       require,
       character.only = TRUE)

Importando o arquivo

Armazenando o arquivo na variável dbEnade2017 e, em seguida, selecionando apenas as observações relativas ao curso em análise:

dbEnade2017 = read_csv2("MICRODADOS_ENADE_2017.txt")

dbEnade2017_EdFisica <<- dbEnade2017 %>% filter(CO_GRUPO == '3502')

dim(dbEnade2017_EdFisica)

## [1] 34763   150

Os comandos acima retornaram um novo dataset com 34.763 registros referentes apenas ao curso de Licenciatura em Educação Física.

Selecionando e Transformando

Abaixo, uma pequena amostra do novo dataset:

head(dbEnade2017_EdFisica)

## # A tibble: 6 x 150
##   NU_ANO CO_IES CO_CATEGAD CO_ORGACAD CO_GRUPO CO_CURSO CO_MODALIDADE
##    <dbl>  <dbl>      <dbl>      <dbl>    <dbl>    <dbl>         <dbl>
## 1   2017      1          1      10028     3502       19             1
## 2   2017      1          1      10028     3502       19             1
## 3   2017      1          1      10028     3502       19             1
## 4   2017      1          1      10028     3502       19             1
## 5   2017      1          1      10028     3502       19             1
## 6   2017      1          1      10028     3502       19             1
## # ... with 143 more variables: CO_MUNIC_CURSO <dbl>, CO_UF_CURSO <dbl>,
## #   CO_REGIAO_CURSO <dbl>, NU_IDADE <dbl>, TP_SEXO <chr>, ANO_FIM_EM <dbl>,
## #   ANO_IN_GRAD <dbl>, CO_TURNO_GRADUACAO <dbl>, TP_INSCRICAO_ADM <dbl>,
## #   TP_INSCRICAO <dbl>, NU_ITEM_OFG <dbl>, NU_ITEM_OFG_Z <dbl>,
## #   NU_ITEM_OFG_X <dbl>, NU_ITEM_OFG_N <dbl>, NU_ITEM_OCE <dbl>,
## #   NU_ITEM_OCE_Z <dbl>, NU_ITEM_OCE_X <dbl>, NU_ITEM_OCE_N <dbl>,
## #   DS_VT_GAB_OFG_ORIG <chr>, DS_VT_GAB_OFG_FIN <chr>, ...

Dessa forma que os dados se apresentam, não há como realizar uma análise que resulte em bons resultados.

É preciso selecionar as colunas para analisar e, também, realizar algumas transformações:

dbEnade2017_EdFisica_Filtrado = dbEnade2017_EdFisica %>% 
    dplyr:: select (CO_CATEGAD, 
                    CO_REGIAO_CURSO, 
                    NU_IDADE, 
                    TP_SEXO, 
                    CO_TURNO_GRADUACAO, 
                    NT_GER, 
                    QE_I01, 
                    QE_I02 
                    )

As variáveis escolhidas estão descritas na tabela abaixo:

A seguir, as transformações necessárias para um melhor entendimento dos nossos dados e melhorar nossas análises:

dbEnade2017_EdFisica_Filtrado <<- dbEnade2017_EdFisica_Filtrado %>% 
  mutate(CAT_IES = case_when( CO_CATEGAD == 1 ~ "Pública Federal",
                             CO_CATEGAD == 2 ~ "Pública Estadual",
                             CO_CATEGAD == 3 ~ "Pública Municipal",
                             CO_CATEGAD == 4 ~ "Privada com fins lucrativos",
                             CO_CATEGAD == 5 ~ "Privada sem fins lucrativos",
                             CO_CATEGAD == 7 ~ "Especial"))

dbEnade2017_EdFisica_Filtrado <<- dbEnade2017_EdFisica_Filtrado %>% 
  mutate(REGIAO = case_when( CO_REGIAO_CURSO == 1 ~ "Norte",
                             CO_REGIAO_CURSO == 2 ~ "Nordeste",
                             CO_REGIAO_CURSO == 3 ~ "Sudeste",
                             CO_REGIAO_CURSO == 4 ~ "Sul",
                             CO_REGIAO_CURSO == 5 ~ "Centro-Oeste"))

dbEnade2017_EdFisica_Filtrado <<- dbEnade2017_EdFisica_Filtrado %>% 
  mutate (SEXO = case_when ( TP_SEXO == "F" ~ "Feminino",
                             TP_SEXO == "M" ~ "Masculino"))

dbEnade2017_EdFisica_Filtrado <<- dbEnade2017_EdFisica_Filtrado %>%
  mutate (TURNO_GRAD = case_when ( CO_TURNO_GRADUACAO == 1 ~ "Matutino",
                                  CO_TURNO_GRADUACAO == 2 ~ "Vespertino",
                                  CO_TURNO_GRADUACAO == 3 ~ "Integral",
                                  CO_TURNO_GRADUACAO == 4 ~ "Noturno"))


dbEnade2017_EdFisica_Filtrado <<- dbEnade2017_EdFisica_Filtrado %>%
  mutate(ESTADO_CIVIL = case_when ( QE_I01 == "A" ~ "Solteito(a)",
                                   QE_I01 == "B" ~ "Casado(a)",
                                   QE_I01 == "C" ~ "Separado/divorciado(a)",
                                   QE_I01 == "D" ~ "Viúvo(a)",
                                   QE_I01 == "E" ~ "Outro"))

dbEnade2017_EdFisica_Filtrado <<- dbEnade2017_EdFisica_Filtrado %>%
  mutate (RACA = case_when( QE_I02 == "A" ~ "Branca",
                            QE_I02 == "B" ~ "Preta",
                            QE_I02 == "C" ~ "Amarela",
                            QE_I02 == "D" ~ "Parda",
                            QE_I02 == "E" ~ "Indígena",
                            QE_I02 == "F" ~ "NãoDeclarou"))

Realizando as análises

Após o processo de seleção e transformação do nosso dataset, verifica - se sua situação atual com as novas colunas criadas, conforme abaixo:

head(dbEnade2017_EdFisica_Filtrado)

## # A tibble: 6 x 14
##   CO_CATEGAD CO_REGIAO_CURSO NU_IDADE TP_SEXO CO_TURNO_GRADUACAO NT_GER QE_I01
##        <dbl>           <dbl>    <dbl> <chr>                <dbl>  <dbl> <chr> 
## 1          1               5       25 F                        1   57   A     
## 2          1               5       21 F                        1   49.9 A     
## 3          1               5       39 M                        1   52.6 B     
## 4          1               5       54 F                        1   42.7 C     
## 5          1               5       22 F                        1   37.6 A     
## 6          1               5       24 F                        1   46.1 A     
## # ... with 7 more variables: QE_I02 <chr>, CAT_IES <chr>, REGIAO <chr>,
## #   SEXO <chr>, TURNO_GRAD <chr>, ESTADO_CIVIL <chr>, RACA <chr>

Para este trabalho, todos os registros sem informação em alguma coluna serão retirados. É preciso analisar qual o impacto da retirada desses valores, em cada projeto. Neste trabalho, não teremos perdas substanciais que possam afetar nossa análise.

Visão geral da quantidade de registro nulos(ausentes)(NA), em cada uma das variáveis:

totalNA = dbEnade2017_EdFisica_Filtrado %>%
        select (everything()) %>%
        summarise_all(list(~sum(is.na(.))))

#Total de registros e colunas
dim(dbEnade2017_EdFisica_Filtrado) 

## [1] 34763    14

totalNA %>% kbl %>% kable_material_dark(full_width = F)

Realizando a retirada dos resgitros NA e exibindo a situação atual das variáveis. Foram retirados 7.525 registros, reduzindo o dataset para 27.238 registros.

dbEnade2017_EdFisica_Filtrado_sem_NA = dbEnade2017_EdFisica_Filtrado %>% na.omit()

#Total de registros e colunas
dim(dbEnade2017_EdFisica_Filtrado_sem_NA)

## [1] 27238    14

resumo = dbEnade2017_EdFisica_Filtrado_sem_NA %>%
        select(everything()) %>%
        summarise_all(list(~sum(is.na(.))))

resumo %>% kbl %>% kable_material_dark(full_width = F)

Após a limpeza dos dados, vamos iniciar com a observação do gênero dos concluintes. Percebe - se que a maioria é do sexo masculino, representando 57,1% do total geral de registros, com quase 4.000 alunos a mais que alunas.

#Resumindo a vaiável - GÊNERO
dbEnade2017_EdFisica_Filtrado_sem_NA %>%
  select(SEXO, NT_GER) %>%
  group_by(SEXO) %>%
  summarise(INSCRITOS = n(),
            MEDIA = mean(NT_GER),
            MEDIANA = median(NT_GER)) %>%
  arrange(desc(INSCRITOS)) 

## # A tibble: 2 x 4
##   SEXO      INSCRITOS MEDIA MEDIANA
##   <chr>         <int> <dbl>   <dbl>
## 1 Masculino     15557  42.7    42.4
## 2 Feminino      11681  43.1    43

# Gráfico de barra - GÊNERO
grafGenero = ggplot(dbEnade2017_EdFisica_Filtrado_sem_NA, aes(x = as.factor(dbEnade2017_EdFisica_Filtrado_sem_NA$SEXO))) +
  geom_bar(color = "black",
           fill = c(2,4)) +
  ggtitle("Gênero dos alunos") +
  xlab("")+
  ylab("")

ggplotly(grafGenero)

Geograficamente falando, a região com o maior número de participantes foi a Sudeste, com 45,6%, seguida pela região Sul e Nordeste.

dbEnade2017_EdFisica_Filtrado_sem_NA %>%
  select(REGIAO,NT_GER) %>%
  group_by(REGIAO) %>%
  summarise(INSCRITOS = n(),
            MEDIA = mean(NT_GER),
            MEDIANA = median(NT_GER)) %>%
arrange(desc(INSCRITOS))

## # A tibble: 5 x 4
##   REGIAO       INSCRITOS MEDIA MEDIANA
##   <chr>            <int> <dbl>   <dbl>
## 1 Sudeste          12416  43.4    43.2
## 2 Sul               6535  41.4    41.2
## 3 Nordeste          4411  44.0    44  
## 4 Norte             1952  41.8    41.5
## 5 Centro-Oeste      1924  43.6    43

grafRegiao = ggplot(dbEnade2017_EdFisica_Filtrado_sem_NA, aes(y = as.factor(dbEnade2017_EdFisica_Filtrado_sem_NA$REGIAO)))+
  geom_bar(color = "black",
           fill = c(2,7,3,4,8)) +
  ggtitle("Região geográfica dos alunos") +
  xlab("") +
  ylab("")

ggplotly(grafRegiao)

Acerca do estado civil dos alunos, veririca - se a predominancia dos solteiros que representam 76,6% do total considerado. Os casados e separados ou divorciados juntos somam um pouco mais de 5.000 alunos, quase 20% do total analisado.

dbEnade2017_EdFisica_Filtrado_sem_NA %>%
  select(ESTADO_CIVIL, NT_GER ) %>%
  group_by(ESTADO_CIVIL) %>%
  summarise(INSCRITOS = n(),
             MEDIA = mean(NT_GER),
            MEDIANA = median(NT_GER)) %>%
  arrange(desc(INSCRITOS))

## # A tibble: 5 x 4
##   ESTADO_CIVIL           INSCRITOS MEDIA MEDIANA
##   <chr>                      <int> <dbl>   <dbl>
## 1 Solteito(a)                20859  43.1    42.9
## 2 Casado(a)                   4641  41.9    41.4
## 3 Outro                        958  43.3    43.2
## 4 Separado/divorciado(a)       703  43.2    43.3
## 5 Viúvo(a)                      77  40.0    38.2

# Gráfico - Estado Cívil
grafEstCivil = ggplot(dbEnade2017_EdFisica_Filtrado_sem_NA, aes(y = as.factor(dbEnade2017_EdFisica_Filtrado_sem_NA$ESTADO_CIVIL))) +
         geom_bar(color = 'black',
                  fill = c(7,2,3,4,1)) +
         ggtitle("Estado civil dos alunos") +
         xlab("")+
         ylab("")

ggplotly(grafEstCivil)

Quando observamos os dados à luz da raça(cor) dos alunos constatamos que a grande maioria se declarou BRANCA, seguida de PARDA e PRETA, conforme quadro abaixo.

dbEnade2017_EdFisica_Filtrado_sem_NA %>%
  select (RACA, NT_GER) %>%
  group_by(RACA) %>%
  summarise(INSCRITOS = n(),
            MEDIA = mean(NT_GER),
            MEDIANA = median(NT_GER)) %>%
  arrange(desc(INSCRITOS))

## # A tibble: 6 x 4
##   RACA        INSCRITOS MEDIA MEDIANA
##   <chr>           <int> <dbl>   <dbl>
## 1 Branca          12121  43.9    43.7
## 2 Parda           10400  42.0    41.7
## 3 Preta            3482  42.4    42.2
## 4 Amarela           571  43.4    42.7
## 5 NãoDeclarou       498  43.4    43.3
## 6 Indígena          166  40.5    39

grafRaca = ggplot(dbEnade2017_EdFisica_Filtrado_sem_NA, aes(y = as.factor(dbEnade2017_EdFisica_Filtrado_sem_NA$RACA))) +
  geom_bar(color = "black",
           fill = c(7,2,3,8,5,1)) +
  ggtitle("Raça(cor) dos alunos")+
  xlab("")+
  ylab("")

ggplotly(grafRaca)

Sobre a idade dos alunos, um breve resumo nos mostra a menor e a maior idade encontrada. Além, de constatarmos que 50% (mediana) dos alunos tem idade até 25 anos e que 75% (3ºquartil) possuem idade até 30 anos.

summary(dbEnade2017_EdFisica_Filtrado_sem_NA$NU_IDADE)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   18.00   22.00   25.00   26.82   30.00   87.00

O histograma abaixo, revela uma distribuição assimétrica possitiva e pouco dispersa, com a formação de uma longa calda à direita, confirmando graficamente, o que nos mostrou a tabela, acima.

dados <<- dbEnade2017_EdFisica_Filtrado_sem_NA

g_hist_densidade = ggplot(dados, aes(x=NU_IDADE)) + 
  geom_histogram(color = "black",fill="lightblue",bins =20,aes(y=(..count..)/sum(..count..)))+
  geom_density(col=2,size = 1, aes(y = 27 * (..count..)/sum(..count..))) +
  ggtitle("Histograma e curva de densidade da IDADE dos alunos")+
  xlab("Idade dos alunos") +
  ylab("Frequência relativa")

ggplotly(g_hist_densidade)

Observando a tabela abaixo com as principais medidas de posição, verifica - se que a média de idade é de quase 27 anos e que a maioria (moda) tem idade de 22 anos. O desvio padrão revela pouca dispersão entre os dados e a curtose de quase 3 pontos indica uma distribuição leptocúrtica.

dbEnade2017_EdFisica_Filtrado_sem_NA %>% 
  select(NU_IDADE) %>% 
  summarise(  Quantidade=n(),
              media = mean(NU_IDADE),
              Mediana = median(NU_IDADE),
              Moda=Mode(NU_IDADE),
              DesvioPadrao=sd(NU_IDADE),
              Coef.Var=sd(NU_IDADE)/media*100,
              Assimetria=skewness(NU_IDADE),
              Curtose=kurtosis(NU_IDADE)
  ) %>% 
  kbl %>% 
  kable_material_dark(full_width = F)

Vamos checar qual o comportamento das notas dos alunos. O resumo abaixo revela que metade dos alunos ficou com nota abaixo da média, que foi de 42,92. E que 75%, obtiveram uma nota até 52,40.

summary(dbEnade2017_EdFisica_Filtrado_sem_NA$NT_GER)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00   33.10   42.70   42.92   52.40   91.50

Visualizando a distribuição das notas no gráfico abaixo, podemos identificar outros comportamentos. Conforme dito, a maior concentração das notas compreende o centro do gráfico. Existe uma assimetria positiva, quase nula, vez que a média é maior que a mediana.

g_hist_densidade = ggplot(dados, aes (x = NT_GER))+
  
  geom_histogram(color = "black",fill="lightblue",bins = 20,aes(y=(..count..)/sum(..count..)))+
  geom_density(col=2,size = 1, aes(y = 27 * (..count..)/sum(..count..))) +
  ggtitle("Histograma e curva de densidade da NOTA dos alunos")+
  xlab("Nota dos alunos") +
  ylab("Frequência relativa")

ggplotly(g_hist_densidade)

Existe também uma variação consideravel entre as notas registradas, indicando uma maior dispersação das mesmas, desvio padrão e variância elevados e uma distribuição platicúrtica.

dbEnade2017_EdFisica_Filtrado_sem_NA %>% 
  select(NT_GER) %>% 
  summarise(  Quantidade=n(),
              media = mean(NT_GER),
              Mediana = median(NT_GER),
              Moda=Mode(NT_GER),
              DesvioPadrao=sd(NT_GER),
              Coef.Var=sd(NT_GER)/media*100,
              Assimetria=skewness(NT_GER),
              Curtose=kurtosis(NT_GER)
  ) %>% 
  
  kbl %>% 
  kable_material_dark(full_width = F)

Vamos analisar o comportamento da relação de algumas variáveis.

Para tanto, vamos ver a relação das notas com a raça dos alunos, com o estado civil e a região geográfica deles.

dbRacaSexoNota = dbEnade2017_EdFisica_Filtrado_sem_NA %>%
  select(NT_GER, RACA, SEXO) %>%
  group_by(SEXO, RACA) %>%
  summarise(QUANTIDADE = n(),
            MEDIA = mean(NT_GER, na.rm = T),
            MEDIANA = median(NT_GER)
            ) %>%
  arrange(desc(MEDIANA))
  
dbRacaSexoNota %>% kbl %>% kable_material_dark(full_width = F)

Da tabela acima, verifica - se que as três maiores medianas são de mulheres e que a raça indígena obteve as menores medianas.

Os gráficos a seguir, nos revelam lado a lado a distribuição das notas de homens e mulheres em cada uma das raças(cor).

Observando os gráficos, constata - se as maiores medianas das mulheres que não declararam raça, das brancas e das mulheres pretas.

dados=dbEnade2017_EdFisica_Filtrado_sem_NA

grafBoxplot1 = ggplot(dados, aes(x = SEXO, y=NT_GER, fill = SEXO)) + 
  geom_boxplot()+
  ggtitle("Boxplot da Nota por RAÇA e GÊNERO" )+
  ylab("NOTAS") +
  xlab("")+
  facet_grid(~RACA)+
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))

ggplotly(grafBoxplot1)

Quando adcionamos a variável REGIAO na nossa análise, vemos que mesmo a região NORDESTE sendo a 3ª região em número de inscritos, ela teve as 5 maiores medianas entre todas as demais.

Ressalta - se, que os indígenas nordestinos obtiveram a maior de todas, quase 10% acima dos nordestinos brancos, que ficaram em 3º lugar.

Cabe destacar, que as menores medianas são de indígenas da macro região Centro-Sul.

dbRegiaoRacaSexo = dbEnade2017_EdFisica_Filtrado_sem_NA %>%
  select (NT_GER, RACA, SEXO, REGIAO) %>%
  group_by(REGIAO, SEXO, RACA) %>%
  summarise(QUANTIDADE = n(),
            MEDIA = mean(NT_GER, na.rm = T),
            MEDIANA = median(NT_GER)) %>%
  arrange(desc(MEDIANA))

dbRegiaoRacaSexo %>% kbl %>% kable_material_dark(full_width = FALSE)

Quando observamos apenas a relação entre REGIÃO e GÊNERO, verifica - se que os homens do Nordeste e as mulheres do Sudeste obtiveram as melhores medianas.

Enquanto que os homens do SUL e as mulheres do NORTE tiveram as menores, entre todas.

dbregiao = dbEnade2017_EdFisica_Filtrado_sem_NA
grafBoxplot = ggplot(dbregiao, aes(x = SEXO ,y=NT_GER, fill=SEXO)) + 
  geom_boxplot() +
  ggtitle("Boxplot da Nota por REGIÃO e GÊNERO")+
  ylab("Notas") +
  xlab("") + 
  facet_grid(~REGIAO)+
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))

ggplotly(grafBoxplot)

Vamos analisar a distribuição das notas por turno de estudo dos alunos:

dbTurno = dbEnade2017_EdFisica_Filtrado_sem_NA %>%
  select(NT_GER, TURNO_GRAD, SEXO, REGIAO) %>%
  group_by(TURNO_GRAD, SEXO) %>%
  summarise(QUANTIDADE = n(),
            MEDIA = mean(NT_GER),
            MEDIANA = median((NT_GER))) %>%
              
  arrange(desc(MEDIANA))
  
dbTurno %>% kbl %>% kable_material_dark(full_width = FALSE)

Os homens do turno Integral tiveram a melhor mediana, enquanto que os homens do turno da noite tiveram as menores.

Conclusões

Verificou - se uma maior participação de alunos com baixa faixa etária, com predomínio de alunos em relação às alunas, no entanto as maiores notas foram registradas para as mulheres.

A região Sudeste teve o maior número de alunos inscritos, com mais de 45%, embora a região Nordeste, com um pouco mais de 16% dos inscritos obteve as melhores médias.

Na região Nordeste tivemos, também, as maiores medias entre os homens indigenas, brancos e amarelos e as muilheres que não declararam sua cor e indígenas.

O curso tem uma grande identificação com os solteiros, mas os separados ou divorciados se sairam melhor nas avaliações.

Os alunos do turno da Noite obtiveram as menores avaliações, enquanto que os alunos de tempo Integral obtiveram os melhores desempenho.